CN112733024A - 一种信息推荐的方法及装置 - Google Patents
一种信息推荐的方法及装置 Download PDFInfo
- Publication number
- CN112733024A CN112733024A CN202110008208.8A CN202110008208A CN112733024A CN 112733024 A CN112733024 A CN 112733024A CN 202110008208 A CN202110008208 A CN 202110008208A CN 112733024 A CN112733024 A CN 112733024A
- Authority
- CN
- China
- Prior art keywords
- information
- candidate recommendation
- historical
- search
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9538—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本说明书公开了一种信息推荐的方法及装置,业务平台接收用户发送的搜索请求后,可以根据该搜索请求中携带的搜索信息,确定该搜索信息对应的各候选推荐信息,并通过预先训练的第一特征模型,确定搜索信息对应的特征向量。而后,可以针对每个候选推荐信息,根据该搜索信息对应的特征向量,以及该候选推荐信息对应的各评论信息的特征向量,从各评论信息中确定出与该搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量,最后从各候选推荐信息中确定出待推荐信息,并将待推荐信息推荐给用户,从而提高对用户进行信息推荐的准确性。
Description
技术领域
本说明书涉及计算机技术领域,尤其涉及一种信息推荐的方法及装置。
背景技术
随着互联网技术的普及,用户可以在线上网站中进行搜索,从而查看自己想要搜索到的信息,这样能够便于用户在线上执行自己想要执行的业务。
例如,在第三方消费点评网站中包含有若干商家的信息以及每个商家下的评论,用户可以通过该网站搜索“可以赏樱的公园”,网站可以将与这一搜索信息(即,可以赏樱的公园)相关的商家推荐给用户,并向用户展示这些商家下与这一搜索信息相关的评论。
以这种场景为例,现有技术中,该第三方消费点评网站可以根据每个商家下的全部评论与搜索信息之间的相关度,确定推荐给用户的商家,并将这些商家以及商家的部分评论推荐给用户,但是这种方式不一定能够准确体现出商家与搜索信息之间的相关性,因此通过这种方式向用户推荐的商家较为不准确。
所以,如何提高对用户进行信息推荐的准确性,则是一个亟待解决的问题。
发明内容
本说明书提供一种信息推荐的方法及装置,以部分地解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种信息推荐的方法,包括:
接收用户发送的搜索请求;
根据所述搜索请求中携带的搜索信息,确定所述搜索信息对应的各候选推荐信息,通过预先训练的第一特征模型,确定所述搜索信息对应的特征向量;
针对每个候选推荐信息,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量;
根据各候选推荐信息对应的特征向量,从所述各候选推荐信息中确定出待推荐信息,并将所述待推荐信息推荐给所述用户。
可选地,训练所述第一特征模型,具体包括:
获取训练样本;
将所述训练样本中包含的文本信息输入到预设的第二特征模型中,得到针对所述文本信息的语义分析结果;
以最小化所述训练样本中包含的标注信息与所述语义分析结果之间的差异为优化目标,对所述第二特征模型进行训练;
根据训练后的所述第二特征模型的网络结构构建第一特征模型,构建出的第一特征模型中包含的神经网络层,比训练后的所述第二特征模型中包含的神经网络层的数量少;
获取历史搜索信息,并通过所述历史搜索信息,对所述第一特征模型进行训练,其中,训练后的所述第一特征模型与训练后的所述第二特征模型针对同一搜索信息确定出的特征向量相近。
可选地,训练所述第一特征模型,具体包括:
获取历史搜索信息、历史评论信息以及针对历史搜索信息与所述历史评论信息之间的标注相似度;
将所述历史搜索信息输入到所述第一特征模型中,得到所述历史搜索信息对应的特征向量,以及将所述历史评论信息输入到预设的第三特征模型中,得到所述历史评论信息对应的特征向量;
以最小化所述历史搜索信息对应的特征向量与所述历史评论信息对应的特征向量之间的相似度和所述标注相似度之间的差异为优化目标,对所述第一特征模型和所述第三特征模型进行训练。
可选地,根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量,具体包括:
针对该候选推荐信息的每个目标评论信息,确定所述搜索信息对应的特征向量与该目标评论信息对应的特征向量之间的相似度,作为该目标评论信息对应的相似度;
根据该候选推荐信息的每个目标评论信息对应的相似度,确定该候选推荐信息对应的相关参数,所述相关参数用于表征该候选推荐信息的各目标评论信息之间的相似度,和/或该候选推荐信息的各目标评论信息在整体上与所述搜索信息的相似度;
根据该候选推荐信息的各目标评论信息对应的相似度、该候选推荐信息的各目标评论信息对应的特征向量以及所述相关参数,确定该候选推荐信息对应的特征向量。
可选地,将所述待推荐信息推荐给所述用户,具体包括:
根据所述待推荐信息对应的目标评论信息,确定针对所述待推荐信息的附加信息,所述附加信息包括:所述待推荐信息对应的信息主题和信息摘要中的至少一种;
将所述待推荐信息以及所述附加信息推荐给所述用户。
可选地,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,具体包括:
针对该候选推荐信息对应的每个评论信息,确定所述搜索信息对应的特征向量与该评论信息对应的特征向量之间的相似度,作为该评论信息对应的相似度;
确定当前业务周期对应的信息选取数量,作为目标数量,并根据候选推荐信息对应的各评论信息对应的相似度,从该候选推荐信息对应的业务对象的各评论信息中,选取所述目标数量的评论信息,作为该候选推荐信息对应的目标评论信息。
可选地,确定当前业务周期对应的信息选取数量,具体包括:
针对每个历史业务周期,确定在该历史业务周期内基于该历史业务周期对应的信息选取数量向各用户推荐的历史推荐信息,以及确定各用户在该历史业务周期内针对所述历史推荐信息进行业务执行的历史执行结果,作为该历史业务周期对应的历史执行结果;
根据每个历史业务周期对应的历史执行结果以及每个历史业务周期对应的信息选取数量,确定当前业务周期对应的信息选取数量。
本说明书提供了一种信息推荐的装置,包括:
接收模块,用于接收用户发送的搜索请求;
第一确定模块,用于根据所述搜索请求中携带的搜索信息,确定所述搜索信息对应的各候选推荐信息,通过预先训练的第一特征模型,确定所述搜索信息对应的特征向量;
第二确定模块,用于针对每个候选推荐信息,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量;
推荐模块,用于根据各候选推荐信息对应的特征向量,从所述各候选推荐信息中确定出待推荐信息,并将所述待推荐信息推荐给所述用户。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述信息推荐的方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述信息推荐的方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的信息推荐的方法中,业务平台接收用户发送的搜索请求后,可以根据该搜索请求中携带的搜索信息,确定该搜索信息对应的各候选推荐信息,并通过预先训练的第一特征模型,确定搜索信息对应的特征向量。而后,可以针对每个候选推荐信息,根据该搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与该搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量。根据各候选推荐信息对应的特征向量,可以从各候选推荐信息中确定出待推荐信息,并将待推荐信息推荐给用户。
从上述方法中可以看出,对于一个候选推荐信息来说,业务平台可以在该候选推荐信息对应的各评论信息中,选取出与该搜索信息相关的部分评论信息,根据这些评论信息可以确定出该候选推荐信息的特征向量,从而能够从各候选推荐信息中选取出需要推荐给用户的待推荐信息。相比于现有技术,本方法并不是简单地通过每个候选推荐信息的全部评论信息,确定出需要推荐给用户的待推荐信息,因此,能够提高确定出的待推荐信息的准确性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种信息推荐的方法的流程示意图;
图2为本说明书提供的一种对用户进行信息推荐的界面示意图;
图3为本说明书中一种信息推荐的装置的示意图;
图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
在现有技术中,业务平台可以针对每个候选推荐信息,确定出该候选推荐信息的每个评论信息的特征向量,而后将该候选推荐信息的各评论信息的平均特征向量,作为该候选推荐信息的特征向量,通过候选推荐信息的特征向量与用户输入的搜索信息的特征向量之间的相似度,能够确定出需要推荐给用户的待推荐信息。
依然以候选推荐信息为商家信息以及搜索信息是“可以赏樱的公园”为例,通过这种方式对用户进行推荐可能会存在这种情况:某个商家的大部分评论信息与赏樱无关,但是存在零星几句评论提到了赏樱,最终确定出该商家与搜索信息的相似度较低,业务平台没有将该商家的商家信息推荐给用户。但在实际应用中,业务平台可以将该商家的商家信息推荐给用户。因此,可以看出,现有技术确定出的待推荐信息的准确性较低。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种信息推荐的方法的流程示意图,具体包括以下步骤:
S101:接收用户发送的搜索请求。
S102:根据所述搜索请求中携带的搜索信息,确定所述搜索信息对应的各候选推荐信息,通过预先训练的第一特征模型,确定所述搜索信息对应的特征向量。
在实际应用中,用户可以通过业务平台进行信息搜索,业务平台可以确定出用户通过终端输入的搜索信息,从而确定出用户想要查看的信息,并推荐给用户。例如,若业务平台为第三方消费点评网站,则可以通过用户输入的搜索信息,确定出与该搜索信息相关的商家,并将该商家的商家信息推荐给用户。再例如,若业务平台为新闻网站,业务平台可以根据用户输入的搜索信息,确定出与该搜索信息相关的新闻推荐给用户。再例如,业务平台可以是购物网站,业务平台可以推荐给用户商品信息。当然,相关的业务场景还可以有多种,在此就不再一一举例说明了。上述提到的终端可以是指手机、笔记本电脑、平板电脑等设备。
基于此,业务平台可以接收用户发送的搜索请求,并根据该搜索请求中携带的搜索信息,确定该搜索信息对应的各候选推荐信息。也就是说,业务平台可以在用户进行信息搜索后,确定出用户通过终端输入的搜索信息,并通过该搜索信息确定出与搜索信息有一定相关性的候选推荐信息,从而后续从这些候选推荐信息中确定出需要推荐给用户的待推荐信息。
例如,业务平台为第三方消费点评网站,若用户输入的搜索信息为“可以赏樱的公园”,则业务平台通过搜索请求中携带的该搜索信息,可以初步确定出用户所在城市中所有公园的公园信息,作为各候选推荐信息。再例如,业务平台为购物网站,若用户输入的搜索信息为“不掉色的牛仔裤”,则业务平台可以确定出1000件牛仔裤商品的商品信息,作为候选推荐信息。
业务平台还需要通过预先训练的第一特征模型,确定出搜索信息的特征向量,以便于在各候选推荐信息中筛选出需要推荐给用户的待推荐信息。其中,第一特征模型可以是自然语言处理领域中常规的特征提取模型,如,BERT模型、Doc2vec模型等。业务平台可以预先对第一特征模型进行有监督训练,使第一特征模型具备一定的语义分析能力,而后将训练后的该第一特征模型通过TensorFlow Serving部署到服务器中,以在接收到用户发送的搜索请求后,通过部署的第一特征模型确定出搜索请求中携带的搜索信息的特征向量。
由于某些特征提取模型中包含的神经网络层的数量较多,线上通过这样的特征提取模型确定搜索信息的特征向量耗时较长,因此,业务平台可以在训练过程中进行模型蒸馏,即,业务平台可以先训练出相比于第一特征模型体量较大的第二特征模型,再对第二特征模型进行模型蒸馏,得到体量较小的第一特征模型,对搜索信息进行特征提取。
基于此,业务平台可以获取训练样本,并将训练样本中包含的文本信息输入到预设的第二特征模型中,该第二特征模型可以提取出该文本信息对应的特征向量,业务平台可以根据该特征向量确定针对该文本信息的语义分析结果,并以最小化该训练样本中包含的标注信息与该语义分析结果之间的差异为优化目标,对该第二特征模型进行训练。这里提到的语义分析结果可以有多种,例如,该语义分析结果可以是指确定该文本信息的下一句文本。再例如,该语义分析可以是指去掉将文本信息中的某一词语后,通过第二特征模型确定出的该文本信息中去掉的词语。通过大量的训练样本对第二特征模型进行这样的语义分析训练,可以使第二特征模型具有较好的特征提取能力。
而后,业务平台可以根据训练后的第二特征模型的网络结构构建第一特征模型,以及获取历史搜索信息,并通过历史搜索信息,对第一特征模型进行训练,其中,第一特征模型中包含的神经网络层,比训练后的第二特征模型中包含的神经网络层的数量少,训练后的第一特征模型与训练后的第二特征模型针对同一搜索信息确定出的特征向量相近。也就是说,业务平台训练出了性能较好的第二特征模型后,可以构建出相比于该第二特征模型网络结构相似但神经网络层数较少的第一特征模型,对该第一特征模型进行训练后,可以使第一特征模型能够具有与第二特征模型相差不多的语义分析能力。
具体的,业务平台可以基于训练后的第二特征模型对历史搜索信息的语义分析结果对第一特征模型进行训练,即,将第二特征模型对历史搜索信息的语义分析结果作为历史搜索信息的标注信息,将历史搜索信息以及该历史搜索信息的语义分析结果作为对第一特征模型进行训练的训练样本,对该第一特征模型进行模型训练,即,通过第一特征模型确定出针对历史搜索信息的预测结果,并以最小化该预测结果与该历史搜索信息的语义分析结果为优化目标,对第一特征模型进行训练。
除此之外,业务平台还可以通过其他模型训练方式对第一特征模型进行模型训练。由于在后续过程中,业务平台可以通过搜索信息与候选推荐信息对应的每个评论信息之间的相似度,来确定候选推荐信息对应的各目标评论信息,因此,业务平台可以对确定搜索信息的特征向量的第一特征向量,以及确定每个评论信息的特征向量的第三特征模型,共同进行训练。
具体的,业务平台可以获取历史搜索信息、历史评论信息以及针对历史搜索信息与历史评论信息之间的标注相似度,而后,可以将历史搜索信息输入到第一特征模型中,得到历史搜索信息对应的特征向量,以及将历史评论信息输入到第三特征模型中,得到历史评论信息对应的特征向量。业务平台可以将最小化历史搜索信息对应的特征向量与历史评论信息对应的特征向量之间的相似度,和标注相似度之间的差异作为优化目标,对该第一特征模型和该第三特征模型进行训练。
这就是说,这一训练方式的目的是使第一特征模型与第三特征模型在训练后,能够确定出各评论信息与搜索信息之间更准确的相似度。上述提到的历史搜索信息与历史评论信息之间的标注相似度可以通过多种方式进行确定。例如,可以通过人工标注的方式标注出该标注相似度。再例如,可以对历史搜索信息进行分词,得到历史搜索信息中包含的词语,业务平台可以确定出历史评论信息中包含历史搜索信息中的词语的数量或占比,从而确定出针对历史搜索信息与历史评论信息之间的标注相似度。再例如,历史上推荐给用户的历史推荐信息时,可以一并向用户展示部分历史评论信息,若用户点击了某个历史推荐信息所包含的业务对象的链接(如商家链接),则可以确定这些历史评论信息与用户输入的历史搜索信息相关,并将该历史搜索信息与这些历史评论信息之间的标注相似度设为1。
S103:针对每个候选推荐信息,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量。
业务平台确定出搜索信息对应的特征向量后,可以针对每个候选推荐信息,根据该搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与该搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量。
也就是说,对于每个候选推荐信息来说,业务平台可以确定出该候选推荐信息的评论信息中与搜索信息较为相关的评论信息,作为该候选推荐信息对应的目标评论信息。其中,业务平台可以针对该候选推荐信息对应的每个评论信息,确定搜索信息对应的特征向量与该评论信息对应的特征向量之间的相似度,作为该评论信息对应的相似度,并确定当前业务周期对应的信息选取数量,作为目标数量,业务平台可以根据该候选推荐信息对应的各评论信息对应的相似度,从该候选推荐信息对应的业务对象的各评论信息中,选取目标数量的评论信息,作为该候选推荐信息对应的目标评论信息。这里提到的业务周期可以是预先进行设定的。
可以看出,这一方式是确定出该候选推荐信息对应的每个评论信息与搜索信息之间的相似度,而后,将各评论信息按照相似度从大到小进行排序,并选取出排在前的目标数量的评论信息,作为该候选推荐信息对应的目标评论信息。当然,除了这种方式以外,业务平台也可以通过其他方式确定出该候选推荐信息对应的目标评论信息,例如,业务平台可以确定出该候选推荐信息对应的,与搜索信息之间相似度不小于设定相似度的评论信息,作为该候选推荐信息对应的目标评论信息。
在本说明书中,候选推荐信息对应的各评论信息的特征向量可以预先通过第三特征模型确定出,确定出每个评论信息的特征向量后,可以将这些特征向量存储在Faiss索引中,在需要确定候选推荐信息的目标评论信息时,业务平台可以通过近似最近邻搜索(Approximate Nearest Neighbor,ANN)的方式从Faiss索引中确定出与搜索信息的特征向量相似度较高的特征向量,从而确定出各目标评论信息。当然,业务平台也可以通过其他方式确定出各评论信息的特征向量与搜索信息的特征向量之间的相似度,从而确定出各目标评论信息。
需要说明的是,上述提到的目标数量决定了在候选推荐信息的各评论信息中选取出多少个目标评论信息。目标数量越大,选取出的目标评论信息越多,通过目标评论信息确定出的候选推荐信息的特征向量,越会体现出候选推荐信息整体的评论信息与搜索信息之间的相关性,那么,候选推荐信息的特征向量可能无法体现出,候选推荐信息的评论信息中与搜索信息相关的特征。但是,目标数量越少,选取出的目标评论信息越少,则可能会较片面的体现出候选推荐信息与搜索信息之间的相关性。因此,业务平台需要确定出较为合适的目标数量。
其中,业务平台可以在历史上对多个不同的信息选取数量进行试验,从而确定出目标数量。具体的,业务平台可以针对每个历史业务周期,确定在该历史业务周期内基于该历史业务周期对应的信息选取数量向各用户推荐的历史推荐信息,以及确定各用户在该历史业务周期内针对所述历史推荐信息进行业务执行的历史执行结果,作为该历史业务周期对应的历史执行结果。业务平台可以根据每个历史业务周期对应的历史执行结果以及每个历史业务周期对应的信息选取数量,确定当前业务周期对应的信息选取数量,作为目标数量。
也就是说,可以针对不同历史业务周期设置不同信息选取数量,在一个历史业务周期内通过该历史业务周期对应的信息选取数量,确定推荐给用户的历史推荐信息。在每个历史业务周期内用户看到业务平台推荐给其的历史推荐信息后,对该历史推荐信息的执行结果,能够在一定程度上体现信息选取数量的优劣。
例如,每个业务周期为7天,针对历史业务周期a设置的信息选取数量为2,针对历史业务周期b设置的信息选取数量为4,针对历史业务周期设置的信息选取数量为6,在历史业务周期a内,业务平台可以针对每个候选推荐信息,选取出该候选推荐信息对应的2个目标评论信息,并根据这2个目标评论信息确定出该候选推荐信息对应的特征向量,业务平台可以通过这种方式确定出各候选推荐信息对应的特征向量,以此类推,历史业务周期b内,业务平台可以选取出每个候选推荐信息对应的4个目标评论信息,历史业务周期c内,业务平台可以选取出每个候选推荐信息对应的6个目标评论信息。
在每个历史业务周期内,业务平台将历史推荐信息推荐给用户后,可以确定出用户是否针对该历史推荐信息进行了业务执行,如,对于历史推荐信息为商家信息,业务平台将商家信息推荐给用户后,可以确定出用户是否点击了商家信息中所包含的商家链接进入商家的页面,若用户点击了商家链接,能够在一定程度上表明推荐给用户的商家信息符合用户输入的搜索信息。因此,业务平台可以确定出各用户点击商家链接的情况,不同历史业务周期中应用了不同的信息选取数量,业务平台可以将用户点击商家链接的概率较大(或,用户点击商家链接的次数较多)的历史业务周期对应的信息选取数量,作为目标数量。
S104:根据各候选推荐信息对应的特征向量,从所述各候选推荐信息中确定出待推荐信息,并将所述待推荐信息推荐给所述用户。
业务平台确定出各候选推荐信息对应的特征向量后,可以根据该特征向量,从各候选推荐信息中确定出待推荐信息,并将该待推荐信息推荐给用户。具体的,业务平台可以将各候选推荐信息对应的特征向量输入到预设的排序模型中,使排序模型对各候选推荐信息进行排序,业务平台可以根据排序模型对各候选推荐信息的排序结果,确定出待推荐信息,并将该待推荐信息推荐给用户。
业务平台确定出的候选推荐信息的特征向量中所包含的信息可以根据实际需求而定,例如,业务平台可以针对该候选推荐信息的每个目标评论信息,确定该目标评论信息与搜索信息之间的相似度,作为该目标评论信息对应的相似度。候选推荐信息对应的特征向量中可以包含各目标评论信息对应的相似度以及各目标评论信息对应的特征向量。
再例如,业务平台可以确定出该候选推荐信息的每个目标评论信息对应的相似度,再根据该候选推荐信息的每个目标评论信息对应的相似度,确定该候选推荐信息对应的相关参数,业务平台可以根据该候选推荐信息的各目标评论信息对应的相似度、该候选推荐信息的各目标评论信息对应的特征向量以及上述相关参数,确定该候选推荐信息对应的特征向量。其中,这里提到的相关参数用于表征该候选推荐信息的各目标评论信息之间的相似度,和/或该候选推荐信息的各目标评论信息在整体上与搜索信息的相似度。在实际应用中,该相关参数可以是指,该候选推荐信息的各目标评论信息的平均相似度、该候选推荐信息的各目标评论信息对应的相似度与平均相似度之间的方差,和/或该候选推荐信息的每个目标评论信息对应的相似度中的极值。
需要说明的是,业务平台除了可以将待推荐信息推荐给用户之外,还可以确定针对该待推荐信息的附加信息,并将待推荐信息以及该待推荐的附加信息一并推荐给用户。其中,这里提到的附加信息可以包括待推荐信息的信息主题和信息摘要中的至少一种。这里提到的信息主题可以是指通过目标评论信息,概括出的待推荐信息对应业务对象(如商家、商品等)的主题,信息摘要可以是指从目标评论信息中筛选出的若干句评论拼接成的,简要描述待推荐信息对应的业务对象的摘要,如图2所示。
图2为本说明书提供的一种对用户进行信息推荐的界面示意图。
从图2中可以看出,用户输入的搜索信息为“A市可以赏樱的公园”,业务平台确定出的各待推荐信息对应的商家(即,业务对象)为a公园、b公园,对于a公园来说,业务平台通过a公园对应的目标评论语句,组合出的信息主题为“赏樱首选a公园樱花林”,信息摘要为通过A公园对应的目标评论语句组合出的一段话,如图2所示:“A市可以赏樱的公园很多,a公园、c公园等都可以;a公园是A市最著名的赏樱公园;一起去樱花广场赏樱吧”,确定出的b公园的信息主题和信息摘要也是类似,业务平台可以通过b公园下的目标评论信息来确定出b公园的信息主题和信息摘要。
本说明书提供的信息推荐的方法在上述均是通过在推荐商家的场景中进行举例说明的,在实际应用中还可以应用于其他业务场景,如,向用户推荐商品的场景以及向用户推荐新闻的场景,具体的实现方式与推荐商家的场景类似,在此就不再进行赘述了。
从上述方法中可以看出,针对每个候选推荐信息,业务平台可以确定出该候选推荐信息对应的各评论信息中与搜索信息关联性较强的部分目标评论信息,并通过这些目标评论信息,确定各候选推荐信息对应的特征向量,从而确定出需要推荐给用户的待推荐信息,相比于现有技术中直接通过候选推荐信息对应的各评论信息,确定出候选推荐信息的特征向量的方式,在一定程度上提高了对用户进行信息推荐的准确性,提高用户的业务执行效率。
以上为本说明书的一个或多个实施例提供的信息推荐的方法,基于同样的思路,本说明书还提供了相应的信息推荐的装置,如图3所示。
图3为本说明书提供的一种信息推荐的装置示意图,具体包括:
接收模块301,用于接收用户发送的搜索请求;
第一确定模块302,用于根据所述搜索请求中携带的搜索信息,确定所述搜索信息对应的各候选推荐信息,通过预先训练的第一特征模型,确定所述搜索信息对应的特征向量;
第二确定模块303,用于针对每个候选推荐信息,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量;
推荐模块304,用于根据各候选推荐信息对应的特征向量,从所述各候选推荐信息中确定出待推荐信息,并将所述待推荐信息推荐给所述用户。
可选地,所述装置还包括:
训练模块305,用于获取训练样本;将所述训练样本中包含的文本信息输入到预设的第二特征模型中,得到针对所述文本信息的语义分析结果;以最小化所述训练样本中包含的标注信息与所述语义分析结果之间的差异为优化目标,对所述第二特征模型进行训练;根据训练后的所述第二特征模型的网络结构构建第一特征模型,构建出的第一特征模型中包含的神经网络层,比训练后的所述第二特征模型中包含的神经网络层的数量少;获取历史搜索信息,并通过所述历史搜索信息,对所述第一特征模型进行训练,其中,训练后的所述第一特征模型与训练后的所述第二特征模型针对同一搜索信息确定出的特征向量相近。
可选地,所述训练模块305具体用于,获取历史搜索信息、历史评论信息以及针对历史搜索信息与所述历史评论信息之间的标注相似度;将所述历史搜索信息输入到所述第一特征模型中,得到所述历史搜索信息对应的特征向量,以及将所述历史评论信息输入到预设的第三特征模型中,得到所述历史评论信息对应的特征向量;以最小化所述历史搜索信息对应的特征向量与所述历史评论信息对应的特征向量之间的相似度和所述标注相似度之间的差异为优化目标,对所述第一特征模型和所述第三特征模型进行训练。
可选地,所述第二确定模块303具体用于,针对该候选推荐信息的每个目标评论信息,确定所述搜索信息对应的特征向量与该目标评论信息对应的特征向量之间的相似度,作为该目标评论信息对应的相似度;根据该候选推荐信息的每个目标评论信息对应的相似度,确定该候选推荐信息对应的相关参数,所述相关参数用于表征该候选推荐信息的各目标评论信息之间的相似度,和/或该候选推荐信息的各目标评论信息在整体上与所述搜索信息的相似度;根据该候选推荐信息的各目标评论信息对应的相似度、该候选推荐信息的各目标评论信息对应的特征向量以及所述相关参数,确定该候选推荐信息对应的特征向量。
可选地,所述推荐模块304具体用于,根据所述待推荐信息对应的目标评论信息,确定针对所述待推荐信息的附加信息,所述附加信息包括:所述待推荐信息对应的信息主题和信息摘要中的至少一种;将所述待推荐信息以及所述附加信息推荐给所述用户。
可选地,所述第二确定模块303具体用于,针对该候选推荐信息对应的每个评论信息,确定所述搜索信息对应的特征向量与该评论信息对应的特征向量之间的相似度,作为该评论信息对应的相似度;确定当前业务周期对应的信息选取数量,作为目标数量,并根据候选推荐信息对应的各评论信息对应的相似度,从该候选推荐信息对应的业务对象的各评论信息中,选取所述目标数量的评论信息,作为该候选推荐信息对应的目标评论信息。
可选地,所述装置还包括:
数量选取模块306,用于针对每个历史业务周期,确定在该历史业务周期内基于该历史业务周期对应的信息选取数量向各用户推荐的历史推荐信息,以及确定各用户在该历史业务周期内针对所述历史推荐信息进行业务执行的历史执行结果,作为该历史业务周期对应的历史执行结果;根据每个历史业务周期对应的历史执行结果以及每个历史业务周期对应的信息选取数量,确定当前业务周期对应的信息选取数量。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1所示的信息推荐的方法。
本说明书还提供了图4所示的电子设备的示意结构图。如图4所述,在硬件层面,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的信息推荐的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (10)
1.一种信息推荐的方法,其特征在于,包括:
接收用户发送的搜索请求;
根据所述搜索请求中携带的搜索信息,确定所述搜索信息对应的各候选推荐信息,通过预先训练的第一特征模型,确定所述搜索信息对应的特征向量;
针对每个候选推荐信息,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量;
根据各候选推荐信息对应的特征向量,从所述各候选推荐信息中确定出待推荐信息,并将所述待推荐信息推荐给所述用户。
2.如权利要求1所述的方法,其特征在于,训练所述第一特征模型,具体包括:
获取训练样本;
将所述训练样本中包含的文本信息输入到预设的第二特征模型中,得到针对所述文本信息的语义分析结果;
以最小化所述训练样本中包含的标注信息与所述语义分析结果之间的差异为优化目标,对所述第二特征模型进行训练;
根据训练后的所述第二特征模型的网络结构构建第一特征模型,构建出的第一特征模型中包含的神经网络层,比训练后的所述第二特征模型中包含的神经网络层的数量少;
获取历史搜索信息,并通过所述历史搜索信息,对所述第一特征模型进行训练,其中,训练后的所述第一特征模型与训练后的所述第二特征模型针对同一搜索信息确定出的特征向量相近。
3.如权利要求1或2所述的方法,其特征在于,训练所述第一特征模型,具体包括:
获取历史搜索信息、历史评论信息以及针对历史搜索信息与所述历史评论信息之间的标注相似度;
将所述历史搜索信息输入到所述第一特征模型中,得到所述历史搜索信息对应的特征向量,以及将所述历史评论信息输入到预设的第三特征模型中,得到所述历史评论信息对应的特征向量;
以最小化所述历史搜索信息对应的特征向量与所述历史评论信息对应的特征向量之间的相似度和所述标注相似度之间的差异为优化目标,对所述第一特征模型和所述第三特征模型进行训练。
4.如权利要求1所述的方法,其特征在于,根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量,具体包括:
针对该候选推荐信息的每个目标评论信息,确定所述搜索信息对应的特征向量与该目标评论信息对应的特征向量之间的相似度,作为该目标评论信息对应的相似度;
根据该候选推荐信息的每个目标评论信息对应的相似度,确定该候选推荐信息对应的相关参数,所述相关参数用于表征该候选推荐信息的各目标评论信息之间的相似度,和/或该候选推荐信息的各目标评论信息在整体上与所述搜索信息的相似度;
根据该候选推荐信息的各目标评论信息对应的相似度、该候选推荐信息的各目标评论信息对应的特征向量以及所述相关参数,确定该候选推荐信息对应的特征向量。
5.如权利要求1所述的方法,其特征在于,将所述待推荐信息推荐给所述用户,具体包括:
根据所述待推荐信息对应的目标评论信息,确定针对所述待推荐信息的附加信息,所述附加信息包括:所述待推荐信息对应的信息主题和信息摘要中的至少一种;
将所述待推荐信息以及所述附加信息推荐给所述用户。
6.如权利要求1所述的方法,其特征在于,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,具体包括:
针对该候选推荐信息对应的每个评论信息,确定所述搜索信息对应的特征向量与该评论信息对应的特征向量之间的相似度,作为该评论信息对应的相似度;
确定当前业务周期对应的信息选取数量,作为目标数量,并根据候选推荐信息对应的各评论信息对应的相似度,从该候选推荐信息对应的业务对象的各评论信息中,选取所述目标数量的评论信息,作为该候选推荐信息对应的目标评论信息。
7.如权利要求6所述的方法,其特征在于,确定当前业务周期对应的信息选取数量,具体包括:
针对每个历史业务周期,确定在该历史业务周期内基于该历史业务周期对应的信息选取数量向各用户推荐的历史推荐信息,以及确定各用户在该历史业务周期内针对所述历史推荐信息进行业务执行的历史执行结果,作为该历史业务周期对应的历史执行结果;
根据每个历史业务周期对应的历史执行结果以及每个历史业务周期对应的信息选取数量,确定当前业务周期对应的信息选取数量。
8.一种信息推荐的装置,其特征在于,包括:
接收模块,用于接收用户发送的搜索请求;
第一确定模块,用于根据所述搜索请求中携带的搜索信息,确定所述搜索信息对应的各候选推荐信息,通过预先训练的第一特征模型,确定所述搜索信息对应的特征向量;
第二确定模块,用于针对每个候选推荐信息,根据所述搜索信息对应的特征向量,以及确定出的该候选推荐信息对应的各评论信息的特征向量,从该候选推荐信息对应的各评论信息中确定出与所述搜索信息相关联的至少一个评论信息,作为该候选推荐信息对应的目标评论信息,并根据该候选推荐信息对应的目标评论信息,确定该候选推荐信息对应的特征向量;
推荐模块,用于根据各候选推荐信息对应的特征向量,从所述各候选推荐信息中确定出待推荐信息,并将所述待推荐信息推荐给所述用户。
9.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008208.8A CN112733024A (zh) | 2021-01-05 | 2021-01-05 | 一种信息推荐的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110008208.8A CN112733024A (zh) | 2021-01-05 | 2021-01-05 | 一种信息推荐的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112733024A true CN112733024A (zh) | 2021-04-30 |
Family
ID=75591212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110008208.8A Pending CN112733024A (zh) | 2021-01-05 | 2021-01-05 | 一种信息推荐的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112733024A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343024A (zh) * | 2021-08-04 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN113434772A (zh) * | 2021-07-09 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 推荐处理方法及装置 |
CN116775813A (zh) * | 2023-08-23 | 2023-09-19 | 中移信息系统集成有限公司 | 业务搜索方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-01-05 CN CN202110008208.8A patent/CN112733024A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113434772A (zh) * | 2021-07-09 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 推荐处理方法及装置 |
CN113434772B (zh) * | 2021-07-09 | 2023-07-25 | 支付宝(杭州)信息技术有限公司 | 推荐处理方法及装置 |
CN113343024A (zh) * | 2021-08-04 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 对象推荐方法、装置、电子设备及存储介质 |
CN116775813A (zh) * | 2023-08-23 | 2023-09-19 | 中移信息系统集成有限公司 | 业务搜索方法、装置、电子设备及可读存储介质 |
CN116775813B (zh) * | 2023-08-23 | 2023-11-24 | 中移信息系统集成有限公司 | 业务搜索方法、装置、电子设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596645B (zh) | 一种信息推荐的方法、装置及设备 | |
CN110413877B (zh) | 一种资源推荐方法、装置及电子设备 | |
CN110674408B (zh) | 业务平台、训练样本的实时生成方法及装置 | |
CN112733024A (zh) | 一种信息推荐的方法及装置 | |
CN113688313A (zh) | 一种预测模型的训练方法、信息推送的方法及装置 | |
CN113010640B (zh) | 一种业务执行的方法及装置 | |
CN111144974B (zh) | 一种信息展示方法及装置 | |
CN112966186A (zh) | 一种模型训练和信息推荐的方法及装置 | |
CN113641896A (zh) | 一种模型训练以及推荐概率预测方法及装置 | |
CN110942338A (zh) | 一种营销赋能策略的推荐方法、装置和电子设备 | |
CN110599307A (zh) | 一种商品推荐的方法及装置 | |
CN113887206B (zh) | 一种模型训练及关键词提取方法及装置 | |
CN114882311A (zh) | 一种训练集的生成方法及装置 | |
CN113641894A (zh) | 一种信息推荐的方法及装置 | |
CN113887235A (zh) | 一种信息推荐的方法及装置 | |
CN113886033A (zh) | 一种任务处理的方法及装置 | |
CN107577660B (zh) | 类目信息识别方法、装置及服务器 | |
CN112948449A (zh) | 一种信息推荐的方法及装置 | |
CN112699307A (zh) | 一种信息的生成方法及装置 | |
CN110569429B (zh) | 一种内容选择模型的生成方法、装置和设备 | |
CN114861043A (zh) | 一种模型训练以及推荐位置确定方法及装置 | |
CN113343085B (zh) | 一种信息推荐方法、装置、存储介质及电子设备 | |
CN114331602A (zh) | 一种基于迁移学习的模型训练方法、信息推荐方法及装置 | |
CN114116816A (zh) | 一种推荐方法及装置 | |
CN114117028A (zh) | 一种信息推荐方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |